ISSN: Kata kunci: pengenalan tulisan tangan, ekstraksi ciri, jaringan saraf tiruan.

Ukuran: px

Mulai penontonan dengan halaman:

Download "ISSN: Kata kunci: pengenalan tulisan tangan, ekstraksi ciri, jaringan saraf tiruan."

Sukarno Hardja
7 tahun lalu
Tontonan:

1 ISSN: PENGARUH KOMPLEKSITAS EKSTRAKSI CIRI PADA SISTEM PENGENALAN TULISAN TANGAN DINAMIS (Influence of Feature Etracton Complet n Onlne Handwrtng Recognto Abdul Fadll Program Stud Teknk Elektro, Unverstas Ahmad Dahlan, Kampus III UAD Jl. Prof. Dr. Soepomo, Janturan, Umbulharjo, Yogakarta Telp , 38153, Fa Emal: fadll@lcos.com Abstrak Strateg pentng dalam sstem pengenalan tulsan tangan dnams pada dasarna terdr bagan atu metode ekstraks cr dan teknk klasfkas. Telah dlakukan pengujan secara ekspermen menggunakan metode ekstraks cr sederhana berupa arah coretan tulsan dan dbandngkan menggunakan metode ekstraks cr ang lebh kompleks berupa konds pena nak/turun, poss, arah, kurva, dan ctra tulsan tangan. Sstem n berbass jarngan saraf truan dengan algortma propagas balk sebaga teknk klasfkas. Hasl-hasl ekspermen menunjukkan bahwa sstem mampu mengenal tulsan tangan dar keteltan 83,9% menggunakan metode ekstraks cr sederhana dan menngkat menjad 97,3% menggunakan metode ekstraks cr ang lebh kompleks. Kata kunc: pengenalan tulsan tangan, ekstraks cr, jarngan saraf truan. Abstract Bascall, the mportant strateges n onlne handwrtng recognton sstem are feature etracton method and classfcaton thecnque. An epermental stud comparaton usng smple features and comple features has been done. The smple features as stroke drecton and the comple features are: flag pen up/down, poston, drecton, curvatures and btmap mage wrtng. Ths sstem based on neural network wth backpropagaton algorthm for classfcaton technque. The results of our eperments show that the sstem could be more accurate from 83.9% for smple featurs to be 97.3% for comple features. Kewords: Handwrtng recognton, feature etracton, artfcal neural network 1. PENDAHULUAN Peneltan dalam bdang pengenalan tulsan tangan telah dlakukan sejak puluhan tahun ang lalu, namun usaha-usaha untuk mendapat tngkat akuras pengenalan tulsan tangan ang lebh bak mash terus dlakukan oleh para penelt serng dengan kemajuan teknolog pen elektrons dan aplkasna [1,]. Pada dasarna ada bagan pentng ang mempengaruh akuras pengenalan atu metode ekstraks cr dan teknk klasfkas. Pada makalah n akan dbahas satu bagan pentng ang turut mempengaruh tngkat akuras suatu sstem pengenalan tulsan tangan atu metode ekstraks cr. Pembahasan ddasarkan atas hasl stud ekspermental penggunaan metode ekstraks cr sederhana dbandngkan dengan penggunaan metode ekstraks cr ang lebh kompleks. Ekspermenekspermen dlakukan dengan menggunakan paket 1 ekstraks cr berupa arah coretan dan paket ekstraks cr berupa konds pena, poss, arah, kurva, dan ctra tulsan. Sedangkan teknk klasfkas keduana menggunakan metode Jarngan Saraf Truan (JST). Pengenalan tulsan ang dkaj dalam peneltan n berupa tulsan angka. Data ang dgunakan dalam peneltan n dambl dar sebagan data standart nternasonal IRONOFF untuk proses pelathan jarngan saraf truan serta proses pengujanna. Pengaruh Komplekstas Ekstras (Abdul Fadl)

2 18 ISSN: Pada seks berkutna dar tulsan n, akan djelaskan tentang metodolog peneltan ang dlakukan. Hasl dan pembahasan akan dsajkan pada seks 3, sedangkan seks terakhr merupakan kesmpulan dar tulsan n.. METODOLOGI PENELITIAN Secara umum sstem pengenalan tulsan tangan dapat dtunjukkan pada Gambar 1. Gambar 1. Blok dagram sstem pengenalan tulsan tangan Gambar d atas menunjukkan blok dagram sstem pengenalan tulsan ang melput akuss data, normalsas ukuran & resamplng, ekstraks cr, pengklasfkas JST, dan hasl pemroses akhr..1 Akuss data, Normalsas ukuran & Resamplmg Proses awal dar pengenalan tulsan adalah akuss data ang berfungs mengambl nformas-nformas pentng dar prant masukan tablet. Data berupa koordnat, dar ttk-ttk tnta sesua dengan gerakan pena elektrons ang membentuk huruf atau smbol-smbol. Proses normalsas dgunakan untuk mengurang pengaruh dar perbedaan-perbedaan tulsan tangan dan untuk menederhanakan bentuk algortma pengenalan. Proses normalsasa n basana dlakukan dengan normalsas ukuran dan resamplng [3]. Normalsas ukuran berfungs untuk mengubah ukuran tulsan ang dtuls dalam bentuk ukuran ang berbeda-beda menjad tulsan berukuran sama. Normalsas ukuran dlakukan dengan mengubah skala koordnat baru untuk kedua sumbu vertkal dan horsontal: o o dengan, ( o o ) W mn...(1) ma mn H mn...() ma mn, ttk-ttk koordnat tnta asl ) ttk-ttk koordnat baru setelah proses transformas (, mn { o mn } ma { o ma } mn { o } mn ma ma { } o W lebar tulsan H tngg tulsan Resamplng berfungs mengubah jarak antar ttk-ttk koordnat dan jumlah ttk menjad seragam menggunakan algortma nterpolas lner. Umumna data asl hasl akuss data dperoleh koordnat ttk-ttk tnta dengan jumlah ang tdak sama serta jarak antar ttk ang TELKOMNIKA Vol., No. 3, Desember 004 : 17-13

3 TELKOMNIKA ISSN: tdak sama pula, sebagamana dtunjukkan pada Gambar. Interval jarak ΔS masng-masng ttk dapat dtentukan dengan membag jarak total dar tulsan: n 1 d 1 L...(3) ( ) + ( ) d...(4) S L n 1 Δ...(5) dengan, d jarak antar ttk-ttk tnta n jumlah ttk data tulsan asl n 1 jumlah ttk ang dkehendak setelah proses resamplng Gambar. Contoh tulsan (a) data asl dan (b) setelah normalsas ukuran dan resamplng. Ekstraks cr Ekstraks cr berfungs untuk menajamkan perbedaan-perbedaan pola sehngga akan sangat memudahkan dalam pemsahan antar klas pada proses klasfkas. Ekstraks cr merupakan tahap ang sangat pentng dan sult dalam teknk klasfkas pola, bahkan serngkal tngkat keberhaslan dar sstem pengenalan pola selalu dkatkan dengan metode ekstraks cr ang dgunakan. Pada peneltan dlakukan pengkajan secara ekspermen atas paket ekstraks cr untuk mengetahu pengaruhna terhadap tngkat akuras pengenalan...1 Ekstraks cr paket 1 Pada paket 1 n, ekstraks cr ddasarkan atas arah coretan tulsan ang dekstraks menjad nla besaran 0 sampa dengan 7 sebagamana terlhat pada bagan kode arah pada Gambar 3. Arah vektor (Δ, Δ) ang dnatakan dengan nla (0,1), (1,1), (1,0), (1,-1), (0, -1), (-1, -1), (-1, 0), dan (-1, 1) berturut-turut merupakan representas dar nla 0,1,,...,7 pada kode arah. Nla-nla arah vektor sebaga hasl ekstraks cr n selanjutna akan dgunakan sebaga nla masukan pada modul pengklasfkas JST. Gambar 3. Kode arah.. Ekstraks cr paket Ekstraks cr untuk paket, terdr dar konds pena, poss, arah, kurva, dan ctra tulsan. Konds pena dekstraks dengan nla 1 saat pena menentuh tablet dan 0 pena tdak menentuh tablet (dangkat). Arah coretan dtentukan dengan satu pendekatan: d ds dan d ds, dengan ds d + d. Pendekatan n dapat dgunakan sebagamana terlhat pada Gambar 4, dperoleh: Pengaruh Komplekstas Ekstras (Abdul Fadl)

4 130 ISSN: Δ( cos θ ( Δs(...(6) Δ( sn θ ( Δs(...(7) Gambar 4. Estmas arah tulsan Kurva coretan merupakan turunan kedua and dan kurva local dlakukan dengan pendekatan sudut antara kedua segmen arah sebagamana dtunjukkan pada Gambar 5. Sudut n juga dnatakan dengan snus dan cosnus-na sebaga berkut: cos φ ( cos ( θ ( n + 1) θ ( n 1) )...(8) sn φ ( sn θ ( n + 1) θ ( n 1)...(9) ( ) d ds d ds Gambar 5. Estmas kurva tulsan Keseluruhan ekstraks cr ang telah dnormalsas antara 0 dan +1 adalah sebaga berkut: 1 f pen s down f 0...(10) 0 otherwse mn 1...(11) ma mn f f...(1) mn ma mn 3 cosθ + 1) / 4 sn θ + 1) / 5 cos φ + 1) / 6 sn φ + 1 / f (...(13) f (...(14) f (...(15) f...(16) ( ) Ctra tulsan merupakan btmap koordnat-koordnat ttk tulsan ang dbag dalam 10 bars dan 10 kolom. Dengan demkan keseluruhan ekstraks cr sebanak 450 buah sebaga pola masukan sstem JST. TELKOMNIKA Vol., No. 3, Desember 004 : 17-13

5 TELKOMNIKA ISSN: Gambar 6. Contoh ekstraks cr angka.3 Pengklasfkas JST Pada peneltan n, teknk pengklasfkas pola masukan menggunakan jarngan saraf truan perseptron mult laps dengan 1 laps tersembun, sebagamana dtunjukkan pada Gambar 7. k Gambar 7. Arstektur JST,, dan berturut-turut adalah nla-nla keluaran dar laps keluaran, laps tersembun, z j dan laps masukan. v j w jk adalah bobot-bobot antara laps keluaran dan laps tersembun, dan adalah bobot-bobot antara laps tersembun dan laps masukan. Algortma pelathan menggunakan propagas balk [4]. Sstem JST n mampu mengklasfkas tulsan angka sebanak 10 buah, ang berart semua pola masukan ang dlathkan pada sstem JST n akan dklasfkaskan menjad 10 klas. Hasl pengenalan dapat dtentukan berdasarkan nla maksmum dar nla-nla keluaran JST berkut : k* arg ma, 1 k m...(17) k k 3. HASIL DAN PEMBAHASAN Sstem berbass JST telah dlath dan dlakukan pengujan menggunakan sebagan data kategor tulsan angka dar database standart nternasonal IRONOFF [5]. Dalam peneltan n sstem JST telah dlathkan dengan sebanak sampel dan dlakukan pengujan (testng) Pengaruh Komplekstas Ekstras (Abdul Fadl)

6 13 ISSN: dengan sampel. Jumlah neuron pada laps masukan dtentukan 100 neuron untuk paket 1 dan 450 neuron untuk paket. Jumlah neuron pada laps tersembun adalah 100 neuron. Hasl-hasl ekspermen dtunjukkan pada Tabel 1. Tabel 1. Hasl-hasl ekspermen Ekstraks cr # Data lathan # Data uj Akuras (%) Paket ,9 Paket ,3 4. SIMPULAN Sstem pengenalan tulsan tangan dnams berbass jarngan saraf truan menunjukkan tngkat akuras ang berart dengan menggunakan ekstraks cr ang lebh kompleks. Hasl-hasl ekspermen dar pengujan sstem menggunakan sebagan data dar IRONOFF menunjukkan kenakan akuras dar 83,9% untuk ekstraks cr dengan paket 1 menjad 97,3% untuk ekstraks cr paket ang lebh kompleks. Pada peneltan selanjutna, sstem ang telah dbuat n mash dmungknkan untuk dtngkatkan lag unjuk kerja atau akuras pengenalanna, msalna dengan menggunakan teknk ekstraks cr atau teknk klasfkas ang lan. DAFTAR PUSTAKA [1] R. Plamondon, and S. N. Srhar, On-lne and Off-lne Handwrtng Recognton : A Comprehensve Surve IEEE Transactons on Pattern Analss and Machne Intellgence, vol., no.1, pp , Jan 000. [] C.C. Tappert, C. Y. Suen, and T. Wakahara, The State of the Art n On-Lne Handwrtng Recognton IEEE Trans. Pattern Analss ad Machne Intellgence, vol. 1, no.8, pp , Aug [3] Raph G., Run-On Recognton n an On-lne Handwrtng Recognton Sstem Report, Unverst of Karlsruhe, German, June [4] Fauset L., Fundamentals of Neural Networks, Prentce Hall Inc., USA, 91-96, [5] C. Vard-Gaudn, P. M. Lallcan, S. Knerr, and P. Bnter, The IRESTE On/Off (IRONOFF) Dual Handwrtng Database ICDAR 99, Bangalore, TELKOMNIKA Vol., No. 3, Desember 004 : 17-13

dokumen-dokumen yang mirip

BAB 4 PERHITUNGAN NUMERIK

BAB 4 PERHITUNGAN NUMERIK Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat